راهکارهای ارتقای عملکرد سیستم‏های توصیه ‏گر مکان مورد علاقه به گردشگران (POI)

کاربرد سیستم‏های توصیه ‏گر در تخمین و پیشنهاد مکان‏های مورد علاقه (POI) گردشگران در سال‏های اخیر گسترش چشمگیری یافته است. رویکرد متداول برای شناسایی علایق کاربران استفاده از تکنیک فیلترینگ مشارکتی (CF) است. با وجود این، دقت و کارآمدی رویکرد CF با اعمال پارامترهای مختلف و رویکردهای تکمیلی قابل بهبود است. در این مقاله، راهکار جدیدی برای ارتقاء پیشنهادهای POI به گردشگران ارایه می‏ ‏شود که از یک مدل زمانی پنج ‏بعدی شامل ابعاد ساعت‏های شبانه ‏روز، روزهای هفته، روزهای ماه، ماه های سال و مناسبت ها استفاده می ‏کند و با محاسبه فاصله اقلیدسی بین زمان توصیه با زمان تجربه‏ های قبلی کاربر فعال و کاربران مشابه او مکان‏های مناسب را شناسایی و پیشنهاد می ‏کند. راهکار پیشنهادی همچنین از پارامتر اعتماد برای افزایش دقت پیشنهاد POI بهره می ‏گیرد. برای بهبود دقت ارزیابی اعتماد یک معیار جدید مبتنی بر ساختار درخت شباهت بین زمینه‏ ها معرفی شده است. نتایج آزمایش‏های انجام ‏شده بر روی چند مجموعه ‏داده‏ معروف نشان می ‏دهد که مدل پیشنهادی کارآمدی و صحت بالاتری نسبت به روش‏های موجود ارایه می ‏کند.